Fugu-MT 論文翻訳(概要): Ambulance Demand Prediction via Convolutional Neural Networks

論文の概要: Ambulance Demand Prediction via Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2306.04994v1
Date: Thu, 8 Jun 2023 07:29:42 GMT
ステータス: 処理完了
システム内更新日: 2023-06-09 15:55:58.483109
Title: Ambulance Demand Prediction via Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークによる救急車需要予測
Authors: Maximiliane Rautenstrau{\ss} and Maximilian Schiffer
Abstract要約: 救急医療サービスにとって、患者の待ち時間を短縮し、生存率を高めるためには、応答時間を最小化することが不可欠である。本稿では、時系列データをヒートマップに変換して救急車需要を予測する新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。開発したCNNアーキテクチャは,既存の最先端手法や業界プラクティスを9%以上上回る性能を示した。
参考スコア（独自算出の注目度）: 4.1423579563037505
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Minimizing response times is crucial for emergency medical services to reduce patients' waiting times and to increase their survival rates. Many models exist to optimize operational tasks such as ambulance allocation and dispatching. Including accurate demand forecasts in such models can improve operational decision-making. Against this background, we present a novel convolutional neural network (CNN) architecture that transforms time series data into heatmaps to predict ambulance demand. Applying such predictions requires incorporating external features that influence ambulance demands. We contribute to the existing literature by providing a flexible, generic CNN architecture, allowing for the inclusion of external features with varying dimensions. Additionally, we provide a feature selection and hyperparameter optimization framework utilizing Bayesian optimization. We integrate historical ambulance demand and external information such as weather, events, holidays, and time. To show the superiority of the developed CNN architecture over existing approaches, we conduct a case study for Seattle's 911 call data and include external information. We show that the developed CNN architecture outperforms existing state-of-the-art methods and industry practice by more than 9%.
Abstract（参考訳）: 救急医療は、患者の待ち時間を短縮し、生存率を高めるために、応答時間の最小化が不可欠である。救急車の割り当てやディスパッチなどの運用タスクを最適化する多くのモデルが存在する。このようなモデルに正確な需要予測を含めれば、運用上の意思決定を改善することができる。そこで本研究では,時系列データをヒートマップに変換して救急車需要を予測する,新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。このような予測を適用するには、救急車の要求に影響を与える外部機能を組み込む必要がある。我々は、フレキシブルで汎用的なCNNアーキテクチャを提供することで、さまざまな次元の外部機能を含めることによって、既存の文献に貢献する。さらに,ベイズ最適化を利用した特徴選択およびハイパーパラメータ最適化フレームワークを提供する。我々は、歴史的救急の需要と天気、イベント、休日、時間などの外部情報を統合する。既存のアプローチに比べて開発されたCNNアーキテクチャの優位性を示すため、シアトルの911コールデータのケーススタディを行い、外部情報を含める。開発したCNNアーキテクチャは,既存の最先端手法や業界プラクティスを9%以上上回る性能を示した。

関連論文リスト

Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
Growing Tiny Networks: Spotting Expressivity Bottlenecks and Fixing Them Optimally [2.645067871482715]
機械学習タスクでは、ある機能空間内で最適な関数を探索する。この方法で、トレーニング中の機能の進化を、選択したアーキテクチャで表現可能な領域内に配置させます。表現力のボトルネックによる望ましいアーキテクチャ変更に関する情報は, 後処理の % から抽出可能であることを示す。
論文参考訳（メタデータ） (2024-05-30T08:23:56Z)
Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
論文参考訳（メタデータ） (2024-04-29T13:05:59Z)
Efficient Deformable Tissue Reconstruction via Orthogonal Neural Plane [58.871015937204255]
変形性組織を再建するための高速直交平面(Fast Orthogonal Plane)を導入する。我々は外科手術を4Dボリュームとして概念化し、それらをニューラルネットワークからなる静的および動的フィールドに分解する。この分解により4次元空間が増加し、メモリ使用量が減少し、最適化が高速化される。
論文参考訳（メタデータ） (2023-12-23T13:27:50Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Simple Recurrent Neural Networks is all we need for clinical events predictions using EHR data [22.81278657120305]
リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。 GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
論文参考訳（メタデータ） (2021-10-03T13:07:23Z)
Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文参考訳（メタデータ） (2021-05-16T12:38:35Z)
Using Spatio-temporal Deep Learning for Forecasting Demand and Supply-demand Gap in Ride-hailing System with Anonymized Spatial Adjacency Information [0.0]
空間隣接情報を用いた配車システムにおいて,需要と需給ギャップを予測するための新しい時間的深層学習アーキテクチャを提案する。開発したアーキテクチャは実世界のデータセットでテストされ、我々のモデルは従来の時系列モデルよりも優れています。
論文参考訳（メタデータ） (2020-12-16T11:22:14Z)
Learning Hidden Patterns from Patient Multivariate Time Series Data Using Convolutional Neural Networks: A Case Study of Healthcare Cost Prediction [2.1725910903497176]
我々は、畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて、効果的でスケーラブルな患者コスト予測手法を開発した。われわれは2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から利用した。
論文参考訳（メタデータ） (2020-09-14T23:11:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。